文献类型：期刊文章

作　　者：涂万[1,2] 于红[1,2] 张鹏[1,2] 韦思学[1,2] 张鑫[1,2] 杨宗轶[1,2] 吴俊峰[1,2] 林远山[1,2] 胡泽元[1,2]

TU Wan;YU Hong;ZHANG Peng;WEI Sixue;ZHANG Xin;YANG Zongyi;WU Junfeng;LIN Yuanshan;HU Zeyuan(Key Laboratory of Marine Information Technology of Liaoning Province,College of Information Engineering,Dalian Ocean University,Dalian 116023,China;Key Laboratory of Environment Controlled Aquaculture(Dalian Ocean University),Ministry of Education,Dalian 116023,China)

机构地区：[1]大连海洋大学信息工程学院,辽宁省海洋信息技术重点实验室,辽宁大连116023 [2]设施渔业教育部重点实验室(大连海洋大学),辽宁大连116023

出　　处：《大连海洋大学学报》

基　　金：辽宁省教育厅重点科研项目(LJKZ0729);国家自然科学基金(31972846);设施渔业教育部重点实验室(大连海洋大学)开放课题(202313)。

年　　份：2023

卷　　号：38

期　　号：4

起止页码：717-725

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2023_2024、JST、RCCSE、WOS、ZGKJHX、核心刊

摘　　要：为解决真实养殖环境中因鱼群模糊、遮挡造成的鱼类目标检测困难等问题,采用基于通道非降维与空间协调注意力ECAM(efficient coordination attention module)的改进YOLOv8养殖鱼群检测方法YOLOv8-Head-ECAM以提高检测精度。首先在FPN(feature pyramid network)中增加大尺寸检测头,更好地捕捉水下鱼类个体的细节信息,以加强对鱼群特征的提取能力,然后使用ECAM注意力机制减少模糊背景的干扰,聚焦鱼类个体的关键特征,以加强对模糊鱼群的识别能力,并设计了消融试验和模型对比试验以验证算法的有效性。结果表明:相比于YOLOv8,YOLOv8-Head-ECAM模型的准确率、召回率和平均精度均值分别提高了2.3%、1.7%和1.6%;与目前检测准确率较高的养殖鱼群检测模型KAYOLO、DCM-ATM-YOLOv5、SK-YOLOv5和ESB-YOLO相比,平均精度均值分别提高了0.7%、1.0%、2.4%和2.0%。研究表明,本文中提出的YOLOv8-Head-ECAM模型能够较好地适应水下鱼群模糊、遮挡的情况,提高了鱼群检测的有效性。

关 键 词：注意力机制  YOLOv8  特征提取 鱼群检测  计算机视觉

分 类 号：S932.2] TP391[水产类]